[发明专利]基于区域混淆机制神经网络的血细胞显微图像分类方法

说明书

本发明提出一种基于区域混淆机制神经网络的血细胞显微图像分类方法，对用于训练的血细胞显微图像进行预处理操作；将经过处理后的图像数据输入深度神经网络框架中的训练分支，在训练阶段引入区域混淆机制，将输入图像的全局结构打乱，迫使分类器对血细胞图像的局部精细特征进行提取，再通过对抗性学习网络对混淆后引入的噪声干扰进行消除，并通过混淆后图像与原图像的语义相关性，对图像的结构信息进行建模；通过上述分支提取出分类器的最优参数，并将最优参数直接赋予分类主干网络分支，进行最终的分类预测工作。

技术领域

本发明属于图像识别、机器学习领域，尤其涉及一种基于区域混淆机制神经网络的血细胞显微图像分类方法。

背景技术

随着生物医学的发展，医用显微图像技术已经非常成熟，并在医学领域得到了广泛的应用。同时，随着各种图像处理技术的发展，对医学图像的处理和分析研究也越来越多。而血细胞在人体健康中发挥着重要作用，具有防御和免疫功能，是人体免疫系统的重要组成部分。当血细胞的某些特征改变时，如数量和形状，这可能是某些疾病的前兆或症状。因此，分析各种血细胞的形态和数量亚型有助于帮助医生结合其疾病的诊疗方法做出正确的判断和选择合适的治疗方案。

然而，手工分类和计数方法，如人工显微镜检查，需要专业的操作，并且工作量大、时间长，这可能会导致错误的判断，影响病人的治疗。因此，寻找一种自动检测和分类血细胞亚型的方法以帮助血液样本的识别和检测，对准确提取血液包含的生理信息具有重要的价值。

目前，传统的血液细胞图像自动分类方法主要是利用图像分割算法分割细胞图像，然后手动设计特性来提取图像的特征信息，最后通过各种分类器分类，包括支持向量机、贝叶斯分类器、神经网络等等。然而，由于血液样本的颜色和光照条件不同，且血细胞图像往往包含复杂的背景，图像分割较为困难。此外，人工设计特征还具有随机性和不确定性，其效果受主观性的影响较大。而深度学习作为一种新兴的图像识别算法，与传统方法相比，避免了图像分割和手工特征设计等步骤，不需要先验知识。这样既减少了巨大的工作量，又避免了主观性和不确定性，分类效果更加理想。

然而，这些方法都是基于图像全局结构的识别方法，从整个图像中提取特征。而血细胞图像数据集属于细粒度数据集，其特征是不同类别的图像之间存在细微差异。图像通常具有相同或相似的全局结构，只能通过一些局部特征来区分，属于细粒度图像识别问题。上述方法对于这些精细特征的提取效果并不够理想，往往很难达到收敛，分类效果较差。

发明内容

为了克服现有技术存在的缺陷和不足，本发明提出了一种基于区域混淆机制神经网络的血细胞显微图像分类方法，基于区域混淆机制，可有效解决血细胞图像中精细特征提取问题。该方法提出了一种基于区域混淆机制的深度神经网络框架。相较于一般的深度学习方法，在常规的卷积神经网络基础上，于训练阶段引入区域混淆分支，对输入图像进行随机置乱，迫使分类网络放弃全局信息，对局部特征信息进行学习，并通过构建对抗性损失函数消除噪声干扰以及利用区域对齐网络构建图像局部区域之间的语义相关性。通过这种机制结合主干分类网络，可有效提取血细胞图像中具有判别性的局部特征信息，达到良好的分类性能。

本发明具体采用以下技术方案：

一种基于区域混淆机制神经网络的血细胞显微图像分类方法，其特征在于：对用于训练的血细胞显微图像进行预处理操作；将经过处理后的图像数据输入深度神经网络框架中的训练分支，在训练阶段引入区域混淆机制，将输入图像的全局结构打乱，迫使分类器对血细胞图像的局部精细特征进行提取，再通过对抗性学习网络对混淆后引入的噪声干扰进行消除，并通过混淆后图像与原图像的语义相关性，对图像的结构信息进行建模；通过上述分支提取出分类器的最优参数，并将最优参数直接赋予分类主干网络分支，进行最终的分类预测工作。

优选地，包括以下步骤：

步骤S1：对图像数据进行预处理，进行数据增强；